基于改進(jìn)BP算法的企業(yè)技術(shù)專家資源任務(wù)配比評(píng)價(jià)研究

摘要：為有效提高專家?guī)熨Y源規(guī)劃評(píng)價(jià)系統(tǒng)中任務(wù)分配效率，利用神經(jīng)網(wǎng)絡(luò)算法構(gòu)建配對(duì)比較矩陣，并與隨機(jī)森林算法進(jìn)行比較。仿真結(jié)果表明，當(dāng)任務(wù)數(shù)量為50時(shí)，神經(jīng)網(wǎng)絡(luò)算法的分配率高達(dá)84%，而隨機(jī)森林算法的分配率僅為60%。專家數(shù)量為75時(shí)，神經(jīng)網(wǎng)絡(luò)算法的分配率高達(dá)73%，而隨機(jī)森林算法的分配率僅為59%，較神經(jīng)網(wǎng)絡(luò)算法降低19.18%。當(dāng)閾值g為1時(shí)，神經(jīng)網(wǎng)絡(luò)算法進(jìn)入分配狀態(tài)的任務(wù)數(shù)量多，且分配成功率高達(dá)90%。且神經(jīng)網(wǎng)絡(luò)算法平均分配時(shí)間最短為1 439.9 ms，最長(zhǎng)時(shí)間為4 905.7 ms，而隨機(jī)森林算法平均分配時(shí)間最短為2 047.1 ms，最長(zhǎng)時(shí)間為7 219.1ms。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)算法；化工企業(yè)專家?guī)欤蝗蝿?wù)；分配成功率；分配時(shí)間；

中圖分類號(hào)：TP391.9文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1001-5922（2024）10-0125-04

Research on the evaluation of resource task ratio of enterprise"technical experts based on improved BP algorithm

LI Li1，WANG Chuan2

（1. Shanghai Aurora College，Shanghai 201900，China；2. Hangzhou Dianzi University，Hangzhou 310018，China）

Abstract：In order to effectively improve the efficiency of task allocation in the expert database resource planningand evaluation system，a neural network algorithm was used to construct a pairing comparison matrix，and compareit with the random forest algorithm. The simulation results showed that when the number of tasks was 50，the alloca?tion rate of the neural network algorithm was as high as 84%，while the allocation rate of the random forest algorithmwas only 60%. When the number of experts was 75，the allocation rate of the neural network algorithm was as highas 73%，while the allocation rate of the random forest algorithm was only 59%，which was 19.18% lower than theneural network algorithm. When the threshold g was 1，the neural network algorithm entered the allocation statewith a large number of tasks and a success rate of up to 90%. The average allocation time of the neural network algo?rithm was 1 439.9 ms，and the longest time was 4 905.7 ms，while the average allocation time of the random forest al?gorithm was 2 047.1 ms，and the longest time was 7 219.1 ms.

Key words：neural network algorithms；expert database of chemical enterprises；tasks；assignment success rate；al?location time

通常化工企業(yè)會(huì)建立企業(yè)專家?guī)熨Y源規(guī)劃評(píng)價(jià)系統(tǒng)[1]，利用專家?guī)椭髽I(yè)高效解決問題。且作為分配任務(wù)活動(dòng)的核心組成部分，專家合理高效分配對(duì)企業(yè)任務(wù)完成有重大影響[2]。目前已有學(xué)者研究專家的業(yè)務(wù)能力對(duì)企業(yè)任務(wù)完成質(zhì)量的影響，但沒有充分考慮確定專家的業(yè)務(wù)能力是否與給定任務(wù)所需的要求相匹配[3]。如在最大最小公平算法基礎(chǔ)上，提出具有較高可信度的業(yè)務(wù)分配方法，以滿足企業(yè)業(yè)務(wù)的實(shí)際需求[4]。提出人工智能技術(shù)的自適應(yīng)框架，該框架通過評(píng)估專家完成任務(wù)的準(zhǔn)確性來完成任務(wù)分配[5]。提出基于區(qū)塊鏈技術(shù)的任務(wù)分發(fā)機(jī)制，該機(jī)制通過區(qū)塊鏈技術(shù)優(yōu)化任務(wù)分發(fā)，以提高任務(wù)分配效率[6]。基于此，利用神經(jīng)網(wǎng)絡(luò)算法構(gòu)建配對(duì)比較矩陣，計(jì)算屬性的權(quán)重，將任務(wù)分配給業(yè)務(wù)能力更強(qiáng)、業(yè)務(wù)技能匹配度更高的專家。

1基于神經(jīng)網(wǎng)絡(luò)算法的專家任務(wù)分配模型

1. 1專家能力的初步計(jì)算

對(duì)于新注冊(cè)的專家來說，沒有歷史任務(wù)完成記錄。因此，需要根據(jù)專家注冊(cè)信息中提供的靜態(tài)屬性來評(píng)估專家的業(yè)務(wù)技能和能力[9-10]，會(huì)根據(jù)每個(gè)屬性的權(quán)重和等級(jí)來計(jì)算專家業(yè)務(wù)能力的初步評(píng)估。靜態(tài)屬性列表由企業(yè)專家?guī)熨Y源規(guī)劃評(píng)價(jià)系統(tǒng)確定，一般包括學(xué)歷、項(xiàng)目經(jīng)驗(yàn)、工作經(jīng)驗(yàn)和當(dāng)前職位[11]。假定專家u的一個(gè)靜態(tài)性質(zhì)為du={d1d2d}，k表示一個(gè)特征的數(shù)量。使用w來表達(dá)屬ik性di和du的加權(quán)，從而體現(xiàn)出各個(gè)屬性的權(quán)值，并且符合?wi=1。利用神經(jīng)網(wǎng)絡(luò)算法提供計(jì)算屬性權(quán)重的方法。具體步驟如下：

步驟1（構(gòu)建配對(duì)比較矩陣）：為便于比較，屬性d和d的相對(duì)重要性由量化的相對(duì)權(quán)重r（ij=1ijij2k）表示[12]。經(jīng)過k×（k-1）2次比較后，構(gòu)建出一個(gè)專家任務(wù)配對(duì)比較矩陣R=（rij k′k）。矩陣R滿足以下3個(gè)條件：（1）rijgt;0；（2）當(dāng)i=j時(shí)，rij=1；（3）rij=1/rji。第i行的元素{ri1ri2rik}表征di對(duì)每個(gè)性質(zhì)的重要度的比例，第j列的元素{r1jr2jrkj}表征各個(gè)性質(zhì)的重要度對(duì)d的比例[13]。j

步驟2（計(jì)算屬性的權(quán)重wi）：將R中的元素按列歸一化：′rij。按行求和歸一化元素：。將每個(gè)總和除以k，得到wi=。假設(shè)企業(yè)專家?guī)熨Y源規(guī)劃評(píng)價(jià)系統(tǒng)在驗(yàn)證專家注冊(cè)信息時(shí)，對(duì)專家的靜態(tài)屬性di的等級(jí)給出了分值li，l?（01）。因此，專家的初始業(yè)務(wù)能力為[14]：i

1. 2根據(jù)專家歷史任務(wù)計(jì)算潛在的業(yè)務(wù)能力

1. 2. 1任務(wù)復(fù)雜度計(jì)算

要計(jì)算企業(yè)任務(wù)的復(fù)雜程度，首先需要對(duì)企業(yè)任務(wù)進(jìn)行清晰的描述。企業(yè)專家?guī)熨Y源規(guī)劃評(píng)價(jià)系統(tǒng)任務(wù)描述的難點(diǎn)在于如何表示任務(wù)復(fù)雜度。在本研究中，任務(wù)復(fù)雜度用McCabe循環(huán)復(fù)雜度來衡量[15]。假設(shè)由專家u完成的歷史任務(wù)T包含類的集合pC={c1c2cx}，式中x表示類的數(shù)量；ci（i=12x）包含Mi={mi1mi2...miy}的方法集合；y表示方法的數(shù)量；且mij（j=12y）對(duì)應(yīng)的復(fù)雜度表示為mccij。mccij的復(fù)雜度由McCabe衡量，并利用式（2）計(jì)算得出：

式中：N（mij）表示mij中包含的決策節(jié)點(diǎn)數(shù)。因此，任務(wù)T類的復(fù)雜度總和為：p

式中：通過使用指數(shù)函數(shù)進(jìn)行標(biāo)準(zhǔn)化，由此得到工作T的復(fù)雜度為：p

式中：mcc代表了歷史任務(wù)的類別復(fù)雜性的平均數(shù)。且隨著任務(wù)類型的變化，mcc的數(shù)值也會(huì)發(fā)生變化[16]。

1. 2. 2任務(wù)完成質(zhì)量計(jì)算

如果一位專家對(duì)以前做過的工作評(píng)分很高，那么專家就能提供相應(yīng)較高的任務(wù)完成質(zhì)量[17]。任務(wù)完成的質(zhì)量可以通過企業(yè)專家?guī)熨Y源計(jì)劃評(píng)估系統(tǒng)對(duì)專家提交的任務(wù)結(jié)果進(jìn)行評(píng)價(jià)。

由于企業(yè)任務(wù)項(xiàng)目已被分解為多個(gè)任務(wù)，所以，在企業(yè)專家?guī)熨Y源計(jì)劃評(píng)估系統(tǒng)中，對(duì)所涉及的任務(wù)Tp進(jìn)行評(píng)估。假定參加任務(wù)Tp評(píng)價(jià)的用戶數(shù)目是num[18]。當(dāng) p∈[0，1]時(shí)，對(duì)于任務(wù)T，專家i的ip平均評(píng)估為：

因此，任務(wù)Tp的開發(fā)質(zhì)量為：

式中：α為質(zhì)量評(píng)價(jià)系數(shù)。由于專家?guī)熨Y源計(jì)劃評(píng)估系統(tǒng)可以提供任務(wù)完成質(zhì)量評(píng)估，因此設(shè)置α∈（0.5，1）。

1. 2. 3任務(wù)完成效率計(jì)算

在企業(yè)任務(wù)T中，假定工作的結(jié)束時(shí)間是t（1p以日計(jì)），而專家的實(shí)際結(jié)束時(shí)間是t。則利用反正切2歸一化函數(shù)，對(duì)任務(wù)完成效率進(jìn)行改進(jìn)，則任務(wù)T的p完成效率e為[19]：p

1. 2. 4綜合專家業(yè)務(wù)發(fā)展能力

任務(wù)的完成質(zhì)量q以及任務(wù)的完成效率epp是由任務(wù)的復(fù)雜性cp決定。

衡量專家完成單項(xiàng)任務(wù)T的能力的公式為p：

式中：β表示能力測(cè)量系數(shù)。由于任務(wù)開發(fā)質(zhì)量比任務(wù)開發(fā)效率更能反映專家的開發(fā)能力。因此，設(shè)定β?（0.51）。

2結(jié)果與討論

2. 1專家任務(wù)分配的成功率比較

為進(jìn)一步評(píng)估企業(yè)專家?guī)熨Y源規(guī)劃評(píng)價(jià)系統(tǒng)中專家任務(wù)分配的效率，將神經(jīng)網(wǎng)絡(luò)算法與隨機(jī)森林算法進(jìn)行比較，以評(píng)估資源規(guī)劃評(píng)價(jià)系統(tǒng)的性能。設(shè)定企業(yè)任務(wù)數(shù)量最大為50。企業(yè)任務(wù)數(shù)量與任務(wù)分配成功率之間的關(guān)系如圖1（a）所示。專家數(shù)量與企業(yè)任務(wù)分配成功率之間的關(guān)系如圖1（b）所示。同時(shí)并選擇30項(xiàng)任務(wù)，50名專家進(jìn)行分配。并進(jìn)一步研究不同閾值g與任務(wù)分配成功率之間的關(guān)系如圖1（c）所示。

從圖1（a）可以看出，當(dāng)任務(wù)數(shù)量固定時(shí)，神經(jīng)網(wǎng)絡(luò)算法與隨機(jī)森林算法分配成功率曲線的趨勢(shì)大致相同。當(dāng)任務(wù)數(shù)量為5時(shí)，由于企業(yè)專家?guī)熨Y源規(guī)劃評(píng)價(jià)系統(tǒng)專家數(shù)量較多，會(huì)導(dǎo)致任務(wù)匹配時(shí)，候選專家數(shù)量較多，因此會(huì)導(dǎo)致分配率低于20%。隨著任務(wù)數(shù)量不斷增加，分配成功率呈非線性遞增趨勢(shì)，當(dāng)任務(wù)數(shù)量為50時(shí)，神經(jīng)網(wǎng)絡(luò)算法的分配率高達(dá)84%，而隨機(jī)森林算法的分配率僅為60%，較神經(jīng)網(wǎng)絡(luò)算法降低28.57%。且隨著分配任務(wù)數(shù)的增加，分配成功率增加幅度緩慢下降。

從圖1（b）可以看出，當(dāng)分配的任務(wù)數(shù)量固定時(shí)，神經(jīng)網(wǎng)絡(luò)算法與隨機(jī)森林算法分配成功率曲線的趨勢(shì)也基本相同。當(dāng)專家數(shù)量為30時(shí)，任務(wù)所需的專家數(shù)量大于資源規(guī)劃評(píng)價(jià)系統(tǒng)中的專家數(shù)量。此時(shí)，分配的任務(wù)數(shù)量少，分配成功率低，最小分配率僅為37%。隨著專家數(shù)量的增加，可以分配給專家的任務(wù)越來越多，分配成功率也隨之提高，當(dāng)專家數(shù)量為75時(shí)，神經(jīng)網(wǎng)絡(luò)算法的分配率高達(dá)73%，而隨機(jī)森林算法的分配率僅為59%，較神經(jīng)網(wǎng)絡(luò)算法降低19.18%。

從圖1（c）可以看出，在專家人數(shù)和要分派的任務(wù)數(shù)量都是固定的情況下，神經(jīng)網(wǎng)絡(luò)算法與隨機(jī)森林算法分配成功率曲線有近似一致的趨勢(shì)。在閾值為1的情況下，神經(jīng)網(wǎng)絡(luò)算法可以將更多的任務(wù)分配到指定專家，并使其獲得最大成功率（90%）。然而，當(dāng)閾值增加時(shí)，任務(wù)的成功概率下降。當(dāng)閾值為7時(shí)，神經(jīng)網(wǎng)絡(luò)算法的任務(wù)分配的成功率僅為26%。因此建議企業(yè)專家?guī)熨Y源規(guī)劃評(píng)價(jià)系統(tǒng)選擇閾值1為參數(shù)，以保證企業(yè)任務(wù)分配的成功率。

2. 2專家任務(wù)分配時(shí)間比較

表1為神經(jīng)網(wǎng)絡(luò)算法和隨機(jī)森林算法的專家任務(wù)平均分配時(shí)間。企業(yè)任務(wù)數(shù)量分別設(shè)置為5、10、20和30，并假設(shè)企業(yè)專家?guī)熨Y源規(guī)劃評(píng)價(jià)系統(tǒng)的操作時(shí)間相同。

由表1可以看出，神經(jīng)網(wǎng)絡(luò)算法可以優(yōu)先分配任務(wù)給業(yè)務(wù)能力較強(qiáng)的專家，以提高企業(yè)任務(wù)完成質(zhì)量，且利用神經(jīng)網(wǎng)絡(luò)算法提供計(jì)算屬性權(quán)重的方法，有助于任務(wù)縮短分配時(shí)間。神經(jīng)網(wǎng)絡(luò)算法平均分配時(shí)間最短為1 439.9 ms，最長(zhǎng)時(shí)間為4 905.7 ms，隨機(jī)森林算法平均分配時(shí)間最短為2 047.1 ms，最長(zhǎng)時(shí)間為7 219.1 ms。當(dāng)任務(wù)量設(shè)置為5、10、20和30時(shí)，平均分配時(shí)間分別縮短29.66%、51.27%、40.15%和32.05%。

3結(jié)語

通過建立神經(jīng)網(wǎng)絡(luò)算法模型，應(yīng)用在企業(yè)專家?guī)熨Y源規(guī)劃評(píng)價(jià)系統(tǒng)中，將任務(wù)分配給業(yè)務(wù)能力更強(qiáng)、業(yè)務(wù)技能匹配度更高的專家。在不同參數(shù)下，神經(jīng)網(wǎng)絡(luò)算法的任務(wù)分配成功率始終優(yōu)于隨機(jī)森林算法。當(dāng)任務(wù)數(shù)量為5時(shí)，由于企業(yè)專家?guī)熨Y源規(guī)劃評(píng)價(jià)系統(tǒng)專家數(shù)量較多，會(huì)導(dǎo)致任務(wù)匹配時(shí)，候選專家數(shù)量較多，因此會(huì)導(dǎo)致分配率僅為低于20%。且隨著任務(wù)數(shù)量不斷增加，分配成功率呈非線性遞增趨勢(shì)，當(dāng)任務(wù)數(shù)量為50時(shí)，神經(jīng)網(wǎng)絡(luò)算法的分配率高達(dá)84%，而隨機(jī)森林算法的分配率僅為60%。且當(dāng)任務(wù)量設(shè)置為5、10、20和30時(shí)，平均分配時(shí)間分別縮短了29.66%、51.27%、40.15%和32.05%。綜上所述，基于神經(jīng)網(wǎng)絡(luò)算法可以極大提高企業(yè)專家?guī)熨Y源規(guī)劃評(píng)價(jià)系統(tǒng)的分配效率。

【參考文獻(xiàn)】

[1]王瑞.基于模糊規(guī)則與相似度計(jì)算的電子商務(wù)人才需求組合數(shù)據(jù)提取研究[J].粘接，2020，41（5）：164-167.

[2]張穗穗“.算法時(shí)代”的企業(yè)人力資源管理與算法領(lǐng)導(dǎo)力構(gòu)建[J].江蘇工程職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2023，23（3）：59-64.

[3]周星雨，陳江.數(shù)字化人力資源管理研究熱點(diǎn)與展望——基于CiteSpace的可視化分析[J].中國(guó)管理信息化，2023，26（17）：133-142.

[4]梁瑋佳.基于最大最小公平算法的應(yīng)急醫(yī)療人力資源分配優(yōu)化模型[J].微型電腦應(yīng)用，2023，39（8）：22-25.

[5]劉勁飛.人工智能技術(shù)對(duì)人力資源管理的影響研究[J].粘接，2020，41（5）：103-107.

[6]梁晉.基于區(qū)塊鏈技術(shù)的企業(yè)人力資源信息共享系統(tǒng)[J].信息與電腦（理論版），2023，35（3）：123-125.

[7]劉曉靜.基于改進(jìn)SVM的績(jī)效數(shù)據(jù)智能處理與分析算法設(shè)計(jì)[J].電子設(shè)計(jì)工程，2023，31（2）：38-42.

[8]雷江平，許濤，王志勇.基于改進(jìn)CNN算法的人力資源自動(dòng)配置方法[J].自動(dòng)化技術(shù)與應(yīng)用，2022，41（12）：142-146.

[9]趙宏業(yè).基于改進(jìn)蟻群算法的醫(yī)療人力資源應(yīng)急優(yōu)化調(diào)度模型設(shè)計(jì)與仿真[J].電子設(shè)計(jì)工程，2022，30（22）：20-24.

[10]劉艷.國(guó)有石油化工企業(yè)人力資源管理存在的問題及解決對(duì)策[J].粘接，2019，40（8）：140-142.

[11]辛志杰.基于模糊聚類的企業(yè)人力資源信息自動(dòng)整合系統(tǒng)[J].自動(dòng)化與信息工程，2022，43（5）：35-39.

[12]王譯慶. ML. NET機(jī)器學(xué)習(xí)框架在人力資源管理中的應(yīng)用[J].信息技術(shù)與信息化，2022（8）：43-48.

[13]姜鑫磊.基于改進(jìn)蜂群算法的醫(yī)療人力資源應(yīng)急優(yōu)化配置方法研究[J].電子設(shè)計(jì)工程，2022，30（6）：29-32.

[14]孫琛.基于人工智能的人力資源數(shù)據(jù)整合系統(tǒng)[J].自動(dòng)化與儀器儀表，2021（9）：161-164.

[15]賀雅喆，蔡真捷.基于Python的隨機(jī)森林算法在電網(wǎng)企業(yè)人力資源審計(jì)中的應(yīng)用研究[J].中國(guó)內(nèi)部審計(jì)，2021（8）：44-50.

[16]湯佳杰，曹永忠，朱俊武，等.基于混合神經(jīng)網(wǎng)絡(luò)的開源社區(qū)軟件開發(fā)者人力資源價(jià)值預(yù)測(cè)[J].計(jì)算機(jī)應(yīng)用與軟件，2021，38（8）：64-71.

[17]劉欣.基于蟻群算法的醫(yī)療人力資源應(yīng)急調(diào)度設(shè)計(jì)[J].信息技術(shù)，2021（2）：142-146.

[18]趙宏業(yè).基于協(xié)同過濾算法的醫(yī)院人力資源信息智能采集系統(tǒng)設(shè)計(jì)[J].電子設(shè)計(jì)工程，2017，25（21）：34-37.

[19]杜鳴.重組背景下煤化工企業(yè)戰(zhàn)略性人力資源規(guī)劃改革與對(duì)策[J].粘接，2020，41（3）：132-136.

[20]徐靜，王勃.基于互聯(lián)網(wǎng)+的企業(yè)人力資源管理策略分析——以國(guó)防職教集團(tuán)中化工企業(yè)為例[J].粘接，2019，40（7）：153-156.